Sentinel-2 uydu verileri ile arazi kullanım sınıflandırması: Makine öğrenmesi algoritmalarının karşılaştırılması

Bu tez çalışmasında 10 m mekânsal çözünürlüğe sahip olan Sentinel-2A uydu verileri kullanılarak Arazi Kullanımı/Arazi Örtüsü sınıflandırma çalışması yapılmıştır. Bu doğrultuda farklı makine öğrenmesi algoritmaları kullanılmış ve bu algoritmaların sınıflandırma doğrulukları karşılaştırılmıştır. Çalışmanın uygulama alanı Konya ili sınırları içerisinde yapılmıştır. 2018, 2021, 2024 yıllarına ait uydu görüntüleri kullanılarak, hem zamansal analiz gerçekleştirilmiş hem de arazi üzerindeki değişimler incelenmiştir. Sınıflandırma süreci Google Earth Engine platformu üzerinden JavaScript programlama dili ile yürütülmüştür. Çalışma sürecinde rastgele orman, k-en yakın komşu ve Naive Bayes, destek vektör makinelerinin lineer ve polinom çekirdek(Kernel) fonksiyonu algoritmaları kullanılmış ve elde edilen sonuçlar analiz edilmiştir. Her bir algoritmanın performansı %70-%30 ve %80-%20 veri oranlarına göre ayrı ayrı değerlendirilmiştir. Böylelikle, sınıflandırma başarımının veri oranlarından etkilenip etkilenmediği analiz edilmiştir. Sınıflandırma sonuçları, hata matrisi üzerinden genel doğruluk, kappa değeri, F1score değeri, üretici ve kullanıcı gibi doğruluk metrikleri ile değerlendirilmiştir. Sonuçlar incelendiğinde en yüksek doğruluk değerlerine DVM-Polinom algoritması sahip olmuştur. Hem genel doğruluk (%96) hem de kappa değeri (0.94) açısından üstünlük sağlamıştır. Ayrıca, yıllara ait görüntüler karşılaştırıldığında tarım, yerleşim ve sanayi bölgesi alanlarında değişimlerin mevcut olduğu gözlemlenmiştir. Tez kapsamında elde edilen bulgular, makine öğrenmesi algoritmalarının Arazi Kullanımı/Arazi Örtüsü sınıflandırmasındaki başarılarını ortaya koymuş ve her iki veri oranlarının performanslara olan etkisini açıklamıştır. Bu çalışmanın önemi, dört farklı makine öğrenmesi algoritmalarını aynı çalışma alanı üzerinden ve eğitim verileri ile karşılaştırıp, yöntemlerin performans farklılıklarının incelenmesidir. Bu konu ile ilgili yapılan çalışmalarda ya tek bir tarih üzerinden ya da tek bir veri oranı (%80-%20 veya %70-%30) ile çalışılmıştır. Çalışma kapsamında ise, üç farklı tarihe ait görüntüler ile iki adet veri oranı kullanılmış ve birlikte değerlendirilmiştir. Aynı zamanda, zamansal analiz ile arazi üzerindeki değişimler incelenmiştir. Ayrıca hata matrisi sonucu elde edilen doğruluk metrikleri ayrıntılı bir şekilde yorumlanmış ve karşılaştırılmıştır. Bu bağlamda tez kapsamında elde edilen bulgular, makine öğrenmesi algoritmalarının Arazi Kullanımı/Arazi Örtüsü sınıflandırmasındaki etkinliğini ortaya koyarken, veri oranlarının değişimi ile doğruluk oranlarının üzerindeki etkisi de vurgulanmıştır.